Padrões espaciais de pobreza rural: uma análise exploratória na Bacia do Rio São Francisco, Brasil

Autores:

Marcelo de O. Torres, Stephen A. Vosti, Marco P. Maneta

Wesley W. Wallender, Lineu N. Rodrigues, Luis H. Bassoi

Julie A. Young

Apresentador: Carlos Fernando Quartaroli

REFERÊNCIA: TORRES, Marcelo de O. et al . Spatial patterns of rural poverty: an exploratory analysis in the São Francisco River Basin, Brazil. Nova economia, Belo Horizonte, v. 21, n. 1, Abr. 2011 .

Introdução

• Percentual de pessoas pobres no Brasil caiu de 42% em 1990 para 31% em 2005

• Em 2005, cerca de 55 milhões de pessoas eram pobres

• Apenas 20% dos pobres viviam em áreas rurais (Azzoni et al, 2006)

• A pobreza rural estava fortemente concentrada no Nordeste onde 70% dos rurais pobres (4,7 milhões) e 80% dos rurais extremamente pobres (1,8 milhões) residem.

Bacia do Rio São Francisco, em 2003

• 17 milhões de habitantes • 21% dos habitantes eram pobres

• 4 milhões de pessoas em áreas rurais • quase 1/3 eram pobres

• 10% de todos os pobres do Brasil

• 18% da população rural pobre do Brasil.

Os pobres rurais não estão distribuídos uniformemente em toda a bacia. A proporção da população rural pobre tende a ser menor na porção sul da bacia e muito mais elevado nas zonas do centro-norte, com alguns municípios registrando taxas de pobreza rural bem acima dos 50%.

As zonas do centro-norte da bacia também contêm quase toda a população rural considerada indigente, ou seja, aquela que vive em extrema pobreza

Informações sobre os padrões espaciais de pobreza rural no SFRB podem lançar luz sobre a importância do local como um fator causal por si.

Municípios podem ser mais propensos a ter altas (baixas) taxas de pobreza rural, dependendo de onde eles estão localizados geograficamente.

Uma razão óbvia é o estoque de recursos naturais. Para as atividades agrícolas, a qualidade dos solos e um fácil acesso à água pode melhorar as condições agrícolas, a produtividade e a renda. Como os recursos naturais não estão uniformemente distribuídas no espaço, municípios em áreas favoráveis em termos de recursos naturais podem ter mais chances de alcançar maiores produtividades na agricultura, com maiores rendas agrícolas e menores taxas de pobreza rural.

Informações sobre os padrões espaciais de pobreza rural no SFRB podem lançar luz sobre a importância do local como um fator causal por si.

Municípios podem ser mais propensos a ter altas (baixas) taxas de pobreza rural, dependendo de onde eles estão localizados geograficamente.

Provedores de emprego e renda, tais como empresas e negócios de serviços tendem a se concentrar no espaço, a fim de beneficiar de maiores mercados, economias de escala, mão-de-obra qualificada e e as externalidades decorrentes da aglomeração, como a difusão de conhecimentos e mão de obra qualificada. Áreas rurais em ou perto de municípios que podem ter concentrações de tais empresas e negócios podem beneficiar deste proximidade devido ao seu potencial de proporcionar oportunidades de trabalho (daí renda) para a população agrícola e não agrícola. Essas aglomerações de empresas e de concentração da atividade econômica geralmente ocorrem em torno de universidades e centros de pesquisa (públicas e privadas) que são "produtores" de know-how e tecnologia. Quanto mais perto uma fazenda está destes centros, mais provável que atualizará suas práticas agrícolas visando o aumento de produtividade e renda

Objetivos

• Utilização de dados recentemente divulgados sobre a pobreza rural em nível municipal para examinar os padrões espaciais de pobreza rural na Bacia do Rio São Francisco (BRSF) por meio: – da construção de mapas de pobreza, – do cálculo do índice de autocorrelação espacial de

Moran para a pobreza rural, – do uso de análise de agrupamento para identificar

"pontos quentes” e "pontos frios” de pobreza rural

• Discutir como os programas de redução da

pobreza rural na BRSF podem ser redesenhados para serem mais eficazes

Proporção de pobres rurais

i

i

i

x

np

Onde: •pi é a proporção da população rural que era pobre no município i (taxa de pobreza rural) •ni é o número total de pobres rurais no município i •xi é a população rural total no município i

Cálculo do índice de Moran global (I)

N

p

w

pppw

I

ii

jiij

jijiij

p

p

2

,

,

)(

))((

pi é a taxa de pobreza rural no município i

pj é a taxa de pobreza rural no município j wij é um elemento da matriz de peso espacial (matriz de vizinhança). Se o município i tem fronteira comum com o município j , wij =1; caso contrário, wij=0 _ p é a taxa de pobreza rural média em toda a BRSF

N= número de municípios da BRSF

N

pp i

i

jij

ijs

ij

w

ww

tal que

1j

s

ijw

A matriz de vizinhança foi padronizada pela linha

Se um município tem 4 vizinhos, então wsij=1/4

Nji

s

ijw ,

N

p

w

pppw

I

ii

jiij

jijiij

p

p

2

,

,

)(

))((

N

p

N

pppw

I

ii

jiji

s

ij

s

p

p

2

,

)(

))((

ii

jiji

s

ijs

p

pppwI

p

p

2

,

)(

))((

Municípios com taxa de pobreza acima (abaixo) da média rodeados por municípios vizinhos com taxa também acima (abaixo) da média, então Autocorrelação espacial positiva Is >0

0))(( pp ppji

Resultado

• O Is calculado para os municípios em 2003 foi 0,72.

• Sugere uma autocorrelação espacial positiva da pobreza rural

Inferência estatística

• Confirmação da autocorrelação espacial contra a hipótese nula H0: Is=0

• Método usado: permutação

• Em cada permutação, um pi é mantido fixo e as taxas de pobreza restantes são realocados aleatoriamente para os municípios diferentes. Para cada realocação, um valor de Is é computado. Depois de um determinado número de permutações, uma distribuição de valores é desenhado, e a média e a variância são calculadas.

Problemas da permutação

• assume que qualquer permutação de valores da pobreza rural (pi) tem a mesma probabilidade de ocorrer entre os municípios (N).

• No entanto, se a população rural total variar consideravelmente entre os diferentes municípios, aqueles com pequenas populações terão maior probabilidade de assumirem valores extremos.

Correção proposta

)( ppi é substituído por )( zz

i

N

zze

v

bpi

i

i

i

iz

na qual

•ni é o número total de pobres rurais no município i •xi é a população total no município i •vi aumenta quando a população xi decresce

EBI – Empirical Bayes Moran’s I

ii

jiji

s

ijs

zz

zzzzwEBI

2

,

)(

))((

EBIs = 0,83 10.000 permutações EBIs é estatisticamente significante ao nível de 5%

LISA (Local Indicators of Spatial Association)

• Localizar os agrupamentos de pobreza rural

j

jij

ii

i

ixw

xLMI x

2

Onde:

)()( pxepx ppjjii

pi é a taxa de pobreza rural no município i pj é a taxa de pobreza rural no município j wij é um elemento da matriz de peso espacial (matriz de vizinhança). Se o município i tem fronteira comum com o município j , wij =1; caso contrário, wij=0 _ p é a média da amostra

Local Empirical Bayes Moran’s I

Agrupamentos espaciais locais de pobreza rural entre os municípios da bacia do Rio São Francisco

não significante baixo-baixo alto-alto alto-baixo baixo-alto

Conclusões • A pobreza rural é

espacialmente autocorrelacionada na BRSF. Os padrões espaciais não são susceptíveis de serem aleatórios.

• A autocorrelação espacial

é positiva: municípios com níveis de pobreza rural acima da média tendem a ser cercados por municípios igualmente pobres e municípios com níveis de pobreza abaixo da média também tendem a ser cercados por municípios em situação similar.

Conclusões

•Municípios do cluster 1 (municípios de SE e AL da parte baixa da bacia) e do cluster 2 (norte de MG e oeste da BA) eram mais propensos a ter altos níveis de pobreza rural •Municípios da porção sul da BRSF (alta pluviosidade e pertos de Brasília ou Belo Horizonte) eram mais propensos a terem baixos níveis de pobreza rural.

Conclusões • Os municípios são mais propensos a terem altas (ou baixas) taxas de

pobreza rural dependendo de onde estão localizados na bacia. Isto pode ser devido aos estoques de recursos naturais, qualidade do solo e acesso à água, distribuídos de forma heterogênea na bacia.

• A pobreza em um município é afetado (ou afeta) a pobreza de municípios vizinhos. Há externalidades positivas ou negativas que podem fazer com que um município seja mais ou menos propenso a sair da pobreza.. Essas externalidades podem estar associadas à concentração (ou falta de) de empresas, emprego e renda nos setores agrícolas e não agrícolas, não só na zona rural, mas também em centros urbanos. Áreas rurais em municípios vizinhos ou próximos às tais concentrações de empresas, empregos e rendas podem beneficiar deste proximidade devido ao seu potencial para o prover oportunidades agrícolas e não agrícolas e suprir as necessidades de conhecimento e tecnologia, por exemplo .

• Os aglomerados de pobreza rural não obedecem as fronteiras estaduais, normalmente utilizadas para medir e gerir programas de redução de pobreza. Os programas de redução da pobreza podem ser mais eficientes se levar em conta toda a extensão geográfica desses conglomerados e a autocorrelação espacial existente entre seus municípios.

Próximos passos • Identificação de fatores que influenciam a pobreza

rural no SFRB por meio da Econometria Espacial Multivariada para investigar: – Que fatores agroecológicos (precipitação, tipo de solo, etc)

estão estatisticamente associados à pobreza rural?

– Por que os aglomerados de pobreza rural 1 e 2 não são contíguos? Há diferenças estruturais entre eles? O que é diferente na área geográfica que separa os dois grupos?

– Existem outros tipos de dependência espacial da pobreza rural na bacia, diferentes e estatisticamente significante, como a dependência do erro espacial, e como contabilizar essas potenciais diferenças analiticamente?